高级搜索

基于多维测量信息的压缩感知多目标无源被动定位算法

余东平 郭艳 李宁 刘杰 杨思星

引用本文: 余东平, 郭艳, 李宁, 刘杰, 杨思星. 基于多维测量信息的压缩感知多目标无源被动定位算法[J]. 电子与信息学报, 2019, 41(2): 440-446. doi: 10.11999/JEIT180333 shu
Citation:  Dongping YU, Yan GUO, Ning LI, Jie LIU, Sixing YANG. Compressive Sensing Based Multi-target Device-free Passive Localization Algorithm Using Multidimensional Measurement Information[J]. Journal of Electronics and Information Technology, 2019, 41(2): 440-446. doi: 10.11999/JEIT180333 shu

基于多维测量信息的压缩感知多目标无源被动定位算法

    作者简介: 余东平: 男,1989年生,博士生,研究方向为信号处理、无线传感器网络定位;
    郭艳: 女,1971年生,教授,博士生导师,研究方向为信号处理、压缩感知以及波束形成;
    李宁: 男,1967年生,副教授,研究方向为认知无线电、自组织网;
    杨思星: 女,1992年生,博士生,研究方向为信号处理、无源目标定位
    通讯作者: 郭艳,guoyan_1029@sina.com
  • 基金项目: 国家自然科学基金(61871400, 61571463),江苏省自然科学基金(BK20171401)

摘要: 无源被动定位是入侵者检测、环境监测以及智能交通等应用的关键问题之一。现有的无源被动定位方法可通过信道状态信息获取多个维度上的测量信息,但是现有方案未能充分挖掘多个信道上的频率分集以提高定位性能。该文提出一种基于多维测量信息的压缩感知多目标无源被动定位算法,在压缩感知框架下利用多维测量信息的频率分集提高定位精度和鲁棒性。根据鞍面模型建立无源字典,将多目标无源被动定位问题建模成多测量向量联合稀疏恢复问题,并利用多维稀疏贝叶斯学习算法估计目标位置向量。仿真结果表明,该算法能有效利用多维测量信息提高定位性能。

English

    1. [1]

      LIU Dawei, SHENG Bin, HOU Fen, et al. From wireless positioning to mobile positioning: An overview of recent advances[J]. IEEE Systems Journal, 2014, 8(4): 1249–1259. doi: 10.1109/JSYST.2013.2295136

    2. [2]

      冯奇, 曲长文, 周强. 多运动站异步观测条件下的直接定位算法[J]. 电子与信息学报, 2017, 39(2): 417–422. doi: 10.11999/JEIT160314
      FENG Qi, QU Changwen, and ZHOU Qiang. Direct position determination using asynchronous observations of multiple moving sensors[J]. Journal of Electronics &Information Technology, 2017, 39(2): 417–422. doi: 10.11999/JEIT160314

    3. [3]

      孙保明, 郭艳, 李宁, 等. 无线传感器网络中基于压缩感知的动态目标定位算法[J]. 电子与信息学报, 2016, 38(8): 1858–1864. doi: 10.11999/JEIT151203
      SUN Baoming, GUO Yan, LI Ning, et al. Mobile target localization algorithm using compressive sensing in wireless sensor networks[J]. Journal of Electronics &Information Technology, 2016, 38(8): 1858–1864. doi: 10.11999/JEIT151203

    4. [4]

      YOUSSEF M, MAH M, and AGRAWALA A. Challenges: Device-free passive localization for wireless environments[C]. Proceedings of the ACM MobiCom’07, Montreal, 2007: 222–229.

    5. [5]

      ZHANG Dian, MA Jian, CHEN Quanbin, et al. An RF-based system for tracking transceiver-free objects[C]. Proceedings of the 5th IEEE International Conference on Pervasive Computing and Communications (PerCom’07), White Plains, 2007: 135–144.

    6. [6]

      WANG Jie, GAO Qinhua, PAN Miao, et al. Device-free wireless sensing: Challenges, opportunities, and applications[J]. IEEE Network, 2018, 32(2): 132–137. doi: 10.1109/MNET.2017.1700133

    7. [7]

      WANG Ju, FANG Dingyi, and YANG Zhe. E-HIPA: An energy-efficient framework for high-precision multi-target adaptive device-free localization[J]. IEEE Transactions on Mobile Computing, 2017, 16(3): 716–729. doi: 10.1109/TMC.2016.2567396

    8. [8]

      TALAMPAS M C R and LOW K S. A geometric filter algorithm for robust device-free localization in wireless networks[J]. IEEE Transactions on Industrial Informatics, 2016, 12(5): 1670–1678. doi: 10.1109/TII.2015.2433211

    9. [9]

      KHALAJMEHRABADI A, GATSIS N, and AKOPIAN D. Modern WLAN fingerprinting indoor positioning methods and deployment challenges[J]. IEEE Communications Surveys & Tutorials, 2017, 19(3): 1974–2002. doi: 10.1109/COMST.2017.2671454

    10. [10]

      WANG Qinghua, YIGITLER H, JANTTI R, et al. Localizing multiple objects using radio tomographic imaging technology[J]. IEEE Transactions on Vehicular Technology, 2016, 65(5): 3641–3656. doi: 10.1109/TVT.2015.2432038

    11. [11]

      CANDES E J and WAKIN M B. An introduction to compressive sampling[J]. IEEE Signal Processing Magazine, 2008, 25(2): 21–30. doi: 10.1109/MSP.2007.914731

    12. [12]

      WANG Ju, FANG Dingyi, CHEN Xiaojing, et al. LCS: Compressive sensing based device-free localization for multiple targets in sensor networks[C]. Proceeding of the IEEE INFOCOM 2013, Turin, 2013: 14–19.

    13. [13]

      MAGER B, LUNDRIGAN P, and PATWARI N. Fingerprint-based device-free localization performance in changing environments[J]. IEEE Journal on Selected Areas in Communications, 2015, 33(11): 2429–2438. doi: 10.1109/JSAC.2015.2430515

    14. [14]

      YU Dongping, GUO Yan, LI Ning, et al. Dictionary refinement for compressive sensing based device-free localization via the variational EM algorithm[J]. IEEE Access, 2016, 4: 9743–9757. doi: 10.1109/ACCESS.2017.2649540

    15. [15]

      YANG Zheng, ZHOU Zimu, and LIU Yunhao. From RSSI to CSI: Indoor localization via channel response[J]. ACM Computing Surveys, 2013, 46(2): 1–32. doi: 10.1145/2543581.2543592

    16. [16]

      GAO Qinhua, WANG Jie, MA Xiaorui, et al. CSI-based device-free wireless localization and activity recognition using radio image features[J]. IEEE Transactions on Vehicular Technology, 2017, 66(11): 10346–10356. doi: 10.1109/TVT.2017.2737553

    17. [17]

      LEI Qian, ZHANG Haijian, SUN Hong, et al. Fingerprint-based device-free localization in changing environments using enhanced channel selection and logistic regression[J]. IEEE Access, 2018, 6: 2569–2577. doi: 10.1109/ACCESS.2017.2784387

    18. [18]

      WANG Jie, GAO Qinhua, PAN Miao, et al. Towards accurate device-free wireless localization with a saddle surface model[J]. IEEE Transactions on Vehicular Technology, 2016, 65(8): 6665–6677. doi: 10.1109/TVT.2015.2476495

    19. [19]

      WIPF D P and RAO B D. An empirical Bayesian strategy for solving the simultaneous sparse approximation problem[J]. IEEE Transactions on Signal Processing, 2007, 55(7): 3704–3716. doi: 10.1109/TSP.2007.894265

    20. [20]

      SAVAZZI S, NICOLI M, CARMINATI F, et al. A Bayesian approach to device-free localization: Modeling and experimental assessment[J]. IEEE Journal of Selected Topics in Signal Processing, 2014, 8(1): 16–29. doi: 10.1109/JSTSP.2013.2286772

    21. [21]

      JI Shihao, XUE Ya, and CARIN L. Bayesian compressive sensing[J]. IEEE Transactions on Signal Processing, 2008, 56(6): 2346–2356. doi: 10.1109/TSP.2007.914345

    1. [1]

      游康勇, 杨立山, 刘玥良, 郭文彬, 王文博. 基于稀疏贝叶斯学习的网格自适应多源定位. 电子与信息学报, 2018, 40(9): 2150-2157.

    2. [2]

      孙玉宝, 李欢, 吴敏, 吴泽彬, 贺金平, 刘青山. 基于图稀疏正则化多测量向量模型的高光谱压缩感知重建. 电子与信息学报, 2014, 36(12): 2942-2948.

    3. [3]

      张永顺, 葛启超, 丁姗姗, 郭艺夺. 基于稀疏贝叶斯学习的低空测角算法. 电子与信息学报, 2016, 38(9): 2309-2313.

    4. [4]

      陈璐, 毕大平, 潘继飞. 平移嵌套阵列稀疏贝叶斯学习角度估计算法. 电子与信息学报, 2018, 40(5): 1173-1180.

    5. [5]

      夏建明, 杨俊安, 陈功. 参数自适应调整的稀疏贝叶斯重构算法. 电子与信息学报, 2014, 36(6): 1355-1361.

    6. [6]

      王天云, 于小飞, 陈卫东, 丁丽, 陈畅. 基于稀疏贝叶斯学习的无源雷达高分辨成像. 电子与信息学报, 2015, 37(5): 1023-1030.

    7. [7]

      郭英, 东润泽, 张坤峰, 眭萍, 杨银松. 基于稀疏贝叶斯学习的多跳频信号DOA估计方法. 电子与信息学报, 2019, 41(3): 516-522.

    8. [8]

      苏伍各, 王宏强, 邓彬, 秦玉亮, 凌永顺. 基于方差成分扩张压缩的稀疏贝叶斯ISAR成像方法. 电子与信息学报, 2014, 36(7): 1525-1531.

    9. [9]

      盖建新, 付平, 乔家庆, 孟升卫. 用于宽带频谱感知的全盲亚奈奎斯特采样方法. 电子与信息学报, 2012, 34(2): 361-367.

    10. [10]

      盖建新, 杜昊辰, 刘琦, 童子权. 基于采样值随机压缩矩阵核空间的亚奈奎斯特采样重构算法. 电子与信息学报, 2019, 41(2): 484-491.

    11. [11]

      王汝言, 吴晴, 熊余, 谢雨, 赵莹. 压缩感知的多参数链路故障定位算法. 电子与信息学报, 2013, 35(11): 2596-2601.

    12. [12]

      吴建宁, 徐海东, 王珏. 基于过完备字典稀疏表示的多通道脑电信号压缩感知联合重构. 电子与信息学报, 2016, 38(7): 1666-1673.

    13. [13]

      金艳, 田田, 姬红兵. 基于稀疏贝叶斯学习的码元速率估计. 电子与信息学报, 2018, 40(7): 1598-1603.

    14. [14]

      王伟, 唐伟民, 王犇, 雷舒杰. 基于贝叶斯压缩感知的复数稀疏信号恢复方法. 电子与信息学报, 2016, 38(6): 1419-1423.

    15. [15]

      张凯, 于宏毅, 胡赟鹏, 沈智翔. 稀疏信道下基于稀疏贝叶斯学习的精简星座盲均衡算法. 电子与信息学报, 2016, 38(9): 2255-2260.

    16. [16]

      晋良念, 冯飞, 刘庆华, 欧阳缮. 利用块间耦合稀疏贝叶斯学习的建筑物布局成像方法. 电子与信息学报, 2018, 40(4): 853-859.

    17. [17]

      吕晓德, 杨璟茂, 岳琦, 张汉良. 基于稀疏贝叶斯学习的机载双基雷达杂波抑制. 电子与信息学报, 2018, 40(11): 2651-2658.

    18. [18]

      冯明月, 何明浩, 陈昌孝, 韩俊. 基于Bessel先验快速稀疏贝叶斯学习的互质阵列DOA估计. 电子与信息学报, 2018, 40(7): 1604-1611.

    19. [19]

      李瑞, 张群, 苏令华, 梁佳, 罗迎. 基于稀疏贝叶斯学习的双基雷达关联成像. 电子与信息学报, 2019, 41(12): 2865-2872.

    20. [20]

      孙磊, 王华力, 许广杰, 苏勇. 基于稀疏贝叶斯学习的高效DOA估计方法. 电子与信息学报, 2013, 35(5): 1196-1201.

  • 图 1  基于压缩感知的多目标无源被动定位基本场景

    图 2  算法迭代次数对定位性能的影响

    图 3  子信道数对定位性能的影响

    图 4  目标个数与平均定位误差的关系

    图 5  信噪比与平均定位误差的关系

    表 1  联合稀疏恢复算法

     (1) 令${\gamma _{{\rm{th}}}} = {10^{ - 3}}$, ${\tau _{\max }} = {10^3}$, ${\eta _{{\rm{th}}}} = - 10\ {\rm{dB}}$, $\gamma = \tau = 0$。
     (2) while ($\gamma \ge {\gamma _{{\rm{th}}}}$或$\tau \le {\tau _{\max }}$) do
     (3)   根据式(16)和式(17),计算${{Σ}}$和${{Π}}$。
     (4)   根据式(19)和式(20),更新参数${\alpha _n}$和${\sigma ^2}$。
     (5)   令$\gamma \leftarrow \parallel{Y} - {{Φ}}{{Π}}\parallel $, $\tau \leftarrow \tau + 1$。
     (6) end while
     (7) 选择使$\left\| {{{{y}}^f} - {{Φ}}{{{Π}} _{ \cdot f}}} \right\|$取得最小值的子信道$\hat f$。
     (8) $\forall n \in \left\{ {1,2,·\!·\!·,N} \right\}$,若$20\lg ({{{Π}} _{nf}}/\mathop {\max }\limits_i |{{{Π}} _{i\hat f}}|) < {\eta _{{\rm{th}}}}$,则${{{Π}} _{n\hat f}} = 0$。
     (9) 令恢复的位置向量$\hat {{θ}} = {{{Π}} _{ \cdot \hat f}}$,目标个数${\widehat K} = |\hat {{θ}}|$。
    下载: 导出CSV

    表 2  平均定位误差与定位均方根误差的比较

    定位算法OMPBPGMPBCSVEM自有算法($F = 5$)自有算法($F = 10$)自有算法($F = 20$)
    平均定位误差3.20281.30282.17950.89550.61960.46310.27440.2584
    定位均方根误差3.38011.57352.45431.58381.00360.83920.67200.4738
    下载: 导出CSV
  • 加载中
图(5)表(2)
计量
  • PDF下载量:  40
  • 文章访问数:  428
  • HTML全文浏览量:  197
文章相关
  • 通讯作者:  郭艳, guoyan_1029@sina.com
  • 收稿日期:  2018-04-11
  • 录用日期:  2018-11-01
  • 网络出版日期:  2018-11-09
  • 刊出日期:  2019-02-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章